利用平均影響值和概率神經網絡的步態識別

袁娜，楊鵬，2，劉作軍，2

（1.河北工業大學控制科學與工程學院，天津300130；2.智能康復裝置與檢測技術教育部工程研究中心，天津300130）

利用平均影響值和概率神經網絡的步態識別

袁娜1，楊鵬1，2，劉作軍1，2

（1.河北工業大學控制科學與工程學院，天津300130；2.智能康復裝置與檢測技術教育部工程研究中心，天津300130）

為了實現對智能下肢假肢進行有效控制，下肢步態（包括平地行走、上下樓梯和上下坡等）的有效識別是關鍵。先從提取不同步態下的特征值入手，利用平均影響值（MIV）來實現變量的篩選，并針對膝上截肢者的特點確定了6個特征值，分別為髖關節角度的最大值、支撐前期均值、支撐中期均值、支撐中期標準差、擺動期標準差（即Mh、ISh、MSh、SWh、MSV、SWV），然后利用概率神經網絡（PNN）對本實驗系統的5種步態進行準確識別，并與BP神經網絡（BPNN）識別步態進行比較，試驗結果表明將特征值用平均影響值方法篩選后，用概率神經網絡進行步態識別，具有較好的識別率和識別速度，其識別率與BP神經網絡相比提高了10%以上，驗證了該方法的有效性和可行性。

智能假肢；步態識別；平均影響值；概率神經網絡；特征篩選

1 概率神經網絡

神經網絡的自學習、自組織、自適應能力，對輸入特征值的分布性、容錯性及神經元的非線性的特性，使它成為解決模式分類［15］問題的一種手段。

概率神經網絡是徑向基神經網絡的一種，網絡結構上通常包含2層神經元，第1層為隱含的徑向基層，節點的函數為徑向基函數，最常用的形式是高斯函數（radbas），如式（1）所示：

該函數的隱中心矢量cj表示某類別中第j個隱中心矢量，式（1）中σ為函數的寬度參數，即平滑因子控制了函數的徑向作用范圍。s則是表示徑向基函數的散步常數，缺省時默認為0.1，當s趨于無窮時，PNN趨近于近鄰分類器，當s趨于0時，PNN趨近于線性分類器。

隱層的第i個節點的輸出為

式中：xi指第i個訓練樣本點節點，clj為第l個類別的第j個隱中心矢量。

與基本徑向基神經網絡的不同在于PNN的第2層采用了競爭函數作為輸出傳遞函數。當概率神經網絡獲得一個輸入時，第1層神經元計算輸入向量與輸入樣本向量的距離，并產生一個向量，此向量的各個元素表征輸入向量與輸入樣本向量的接近程度。第2層神經元將與輸入向量的各種類別綜合起來，產生一個表征概率的輸出向量。最后，一個競爭型的函數在輸出端選擇具有最大概率的輸入向量類別，產生輸出1，而其他類別的輸入向量則產生輸出0。

2 步態特征值的提取和篩選

2.1 數據采集和處理

測試平臺采用國家康復輔具研究中心生物力學實驗室的VICON MX系統，實驗平臺包括平地行走、上／下樓梯和上／下坡。測試系統為被動光學式運動捕捉，實驗平臺上／下的4階樓梯高為10 cm，上／下斜坡的坡度為15°。利用上述VICON MX三維步態分析系統采集5種步態下3關節角度值。

其實，在我看來，正書和閑書，就是一個人知識的縱橫。學生時代的教科書和工作以后的專業書是自己知識的縱向部分，它們會使你深刻和專長；而那些閑書是你知識的橫向部分，它們會使你豐富而多彩。就如一棵樹，正書是你的主干，閑書是你的枝葉，沒有枝葉的主干必然沒有生命力，而沒有主干的枝葉也無以繁盛。

在本文中定義步態周期均為腳跟著地為步態的開始，同側腳跟再次著地為一個步態的結束。根據圖像觀察和對比腳底壓力板信息，選擇平地行走的步態周期開始點是膝關節最小值、髖關節最大值；上樓梯和上坡是從髖關節最大值開始；下樓梯和下坡是從膝關節最小值開始。由于每次行走的速度不恒定，所以對數據還需要周期歸一處理。得到5種步態下髖、膝、踝關節角度如圖1，其中長虛線為髖關節角度，點劃線為膝關節角度，實線為踝關節角度。結合實際行走中的圖像信息及足底壓力信號分析在圖中劃分了步態周期，包括支撐前期、支撐中期、支撐末期和擺動期。

圖1 5種步態的3個關節角度Fig.1 Joint angles during five gaits

2.2 提取特征值

一般從時域和頻域角度提取特征值信息，時域分析包括信號幅度大小、步態均值、方差等；頻域分析包括信號小波系數、能量分布等。而實際用于識別的特征值仍是均值、方差。對圖1中得到的每種步態單周期的數據進行提取特征值，僅考慮髖關節的角度特征，得到10個特征值，分別為最小值（Nh）、最大值（Mh），支撐前期角度均值（ISh）、標準差（ISV），支撐中期角度均值（MSh）、標準差（MSV），支撐后期角度均值（TSh）、標準差（TSV），擺動期角度均值（SWh）、標準差（SWV）。

2.3 計算平均影響值篩選特征值

利用概率神經網絡進行步態識別，輸入特征值是影響識別效果的直接因素。目前，篩選特征值的方法很多［16?17］，針對本文特征值特點，用Dombi等提出的用平均影響值（MIV）來反映神經網絡中權重矩陣的變化情況［18］的方法。MIV是用于確定輸入神經元對輸出神經元影響大小的一個指標，能夠反映出神經網絡的權重矩陣變化情況，被認為是評價神經網絡輸入參數相關性的最佳指數，其符號代表相關的方向，絕對值大小代表影響的相對重要性。

本文根據神經網絡訓練得到的MIV進行特征值篩選，具體過程是在網絡訓練完成后，將特征值分別增加和減小30%構成新的兩組訓練樣本，將新的樣本作為輸入利用已建成的網絡進行仿真，得到2個仿真結果求出差值，即為變動該自變量后對輸出產生的影響值（IV，impact value），由于神經網絡權值初始值的隨機性，結果會變化，因此對上述10個髖關節角度的特征值選擇訓練10次，取平均值，即得到對應特征值的平均影響值（MIV），將求得的髖關節角度特征值的MIV進行比較，從而得出相應的結論。如表1所示。

表1 髖關節特征值的MIVTable1 MIV of hip characteristic value

由表1數據對比，得到相對權重較大的6個特征值，分別為Mh、SWh、ISV、MSV、TSV、SWV作為神經網絡的輸入，進行步態識別。

3 概率神經網絡識別步態

3.1 訓練數據和參數設定

本文選取健康人，用VICON MX系統進行實驗，要求實驗者無下肢肌肉或骨骼疾病，測得的193組實驗數據（其中平地行走120組，下樓梯15組，下坡20組，上樓梯20組，上坡18組），任意選取163組數據作為訓練集，30組數據作為測試集，以考察分類器的識別率。構造PNN輸入向量為篩選后的6個特征值，分別為髖關節角度最大值（Mh）、支撐前期角度標準差（ISV）、支撐中期角度標準差（MSV）、支撐后期角度標準差（TSV）、擺動期角度均值（SWh）及標準差（SWV）。輸出層為識別出的步態，對應平地行走、下樓、下坡、上樓梯、上坡5種步態，分別用數字1～5來表示作為輸出。PNN中的參數，s＝0.8，隱層神經元數Q＝6。

3.2 模型的構建和訓練

使用Matlab的神經網絡函數建立PNN網絡，并按照上述數值設定網絡參數。首先對比篩選特征值的有效性，分別采用篩選前和篩選后的特征值作為輸入，用相同的PNN進行識別，對比識別結果。再將PNN與BPNN對比：1）在相同的識別率下比較建模時間；2）在相同的建模時間下比較識別率。PNN對163組訓練樣本進行訓練的識別結果和識別誤差如圖2所示。圖2（a）中箭頭表示163組訓練樣本對應的步態類別，圓圈表示163組訓練樣本作為測試樣本時，PNN識別的結果。圖2（a）圖中線條重合，且圖2（b）圖中誤差均為0，可知PNN對訓練樣本能有效識別。

圖2 PNN訓練結果和誤差Fig.2 PNN training results and error

再利用BPNN對測試樣本進行識別，分別取均方差0.001和0.1，和標準識別結果進行對比，得到圖3。

圖3 BPNN取不同均方誤差的訓練結果Fig.3 BPNN training results using different MSE

對比圖2（a）和圖3（a）、（b）可以看出，BPNN在均方誤差為0.001時的訓練結果和PNN的訓練結果相同，當BPNN的均方誤差為0.1時，訓練效果明顯下降。

利用PNN和BPNN分別對30組測試數據（18組平地行走、3組下樓、3組下坡、3組上樓、3組上坡）進行步態識別，得到未篩選特征值作為輸入的PNN識別結果、篩選特征值作為輸入的PNN識別結果和均方誤差分別為0.001和0.1的BPNN識別結果。

圖4 PNN和BPNN的識別結果Fig.4 Recognition results of PNN and BPNN

通過對比以上實驗結果可以看出：1）篩選特征值是必要的且MIV衡量特征值權重的方法是可行且有效的。利用PNN進行步態識別，分別將未篩選的和篩選的特征值作為輸入，通過圖4（a）和（b）對比看出，篩選特征值后，識別率達到100%，而篩選前為73.3%；2）PNN和BPNN在模式識別方面是可行的，對于訓練樣本，經過神經網絡訓練之后的誤差均可達到0。而PNN則在訓練時間上優于BPNN，對比情況如表2和3所示，在相同的識別率100%情況下，PNN計算時間為1.890 6 s，BPNN計算時間為4.984 3 s。而提高BPNN的計算時間到2.671 9 s時，其識別率為90%。在較復雜的步態情況下，PNN快速的特點將更加突出。

表2 相同識別率比較計算時間Table2 Computation time of the same recognition comparing rate

表3 近似計算時間比較識別率Table3 Approximate calculation of time to compare the recognition rate

4 結束語

本文利用VICON MX系統采集下肢髖、膝、踝關節角度信息，針對大腿截肢患者，提取髖關節時域的特征值，通過MIV特征值篩選，篩選出對識別影響較大，即權重較大的特征值，利用PNN進行平地行走、上下樓梯和上下坡的步態識別。通過實驗數據驗證該方法對于5種步態均能準確識別，從識別結果可以看出此方法是有效的。文中提出的基于平均影響值特征篩選方法簡單，方便快捷，同時概率神經網絡需要優化的參數少，計算效率高，便于步態識別系統的實時處理。

［1］PROTOPAPADAKI A，DRECHSLER W I.Hip，knee，an?kle kinematics and kinetics during stair ascent and descent in healthy young individuals［J］.Clinical Biomechanics，2007，22：203?210.

［2］張今瑜，王嵐，張立勛.基于多傳感器的實時步態檢測研究［J］.哈爾濱工程大學學報，2007，28（2）：218?221.

ZHANG Jinyu，WANG Lan，ZHANG Lixun.Real?time gait detection based on multiple sensors［J］.Journal of Harbin Engineering University，2007，28（2）：218?221.

［3］MATOVSKI D S，NIXON M S，MAHMOODI S，et al.The effect of time on gait recognition performance［J］.Informa?tion Forensics and Security，2012，7（2）：543?552.

［4］ZENG Wei，WANG Cong.Human gait recognition via deter?ministic learning［J］.Neural Network，2012，35：92?102.

［5］CHEN Lingling，YANG Peng，XU Xiaoyun，et al.Above? knee prosthesis control based on posture recognition by sup?port vector machine［C］／／2008 IEEE International Confer?ence on Robotics，Automation and Mechatronics.Chengdu，China，2008：307?312.

［6］高云園，佘青山，孟明，等.基于多源信息融合的膝上假肢步態識別方法［J］.儀器儀表學報，2010，31（12）：2683?2688.

GAO Yunyuan，SHE Qingshan，MENG Ming，et al.Recog?nition method based on multi?information fusion for gait pat?terns of above?knee prosthesis［J］.Chinese Journal of Scien?tific Instrument，2010，31（12）：2683?2688.

［7］耿艷利，楊鵬，劉作軍，等.大腿截肢者步速識別系統設計［J］.中國康復醫學雜志，2012，27（7）：651?653.

GENG Yanli，YANG Peng，LIU Zuojun，et al.Pace recog?nition system for thigh amputees［J］.Chinese Journal of Re?habilitation Medicine，2012，27（7）：651?653.

［8］SAEID F，HADIS A，SHEIKH S M.Multi?view neural net?work based gait recognition［C］／／World Academy of Sci?ence，Engineering and Technology.Istanbul，Turkey，2010：705?709.

［9］NEDA K，SAEID R.Gait recognition for human identifica?tion using ensemble of LVQ neural networks［C］／／2012 In?ternational Conference on Biomedical Engineering.Penang，Malaysia，2012：180?185.

［10］SU F C，WU W L.Design and testing of a genetic algorithm neural network in the assessment of gait patterns［J］.Medi?cal Engineering and Physics，2000，22（1）：67?74.

［11］趙永偉，張二虎，魯繼文，等.多特征和多視角信息融合的步態識別［J］.中國圖象圖形學報，2009，14（3）：388?393.

ZHAO Yongwei，ZHANG Erhu，LU Jiwen，et al.Informa?tion fusion of multi?features and multi?angle for gait recogni?tion［J］.Chinese Journal of Image and Graphics，2009，14（3）：388?393.

［12］XIAO Degui，YANG Lei.Gait recognition using Zernike moments and BP neural network［C］／／2008 IEEE Interna?tional Conference on Networking，Sensing and Control.Sanya，China，2008：418?423.

［13］TEE Connie，KAH O G M，BENG J T A.Personal recognition using multi?angles gait sequences［J］.Communications in Computer and Information Science，2011，189（2）：497?508.

［14］LEE Heesung，HONG Sungjun，KIM Euntai.Neural net?work ensemble with probabilistic fusion and its application to gait recognition［J］.Neurocomputing，2009，72（7?9）：1557?1564.

［15］WANG Fei，WEN Shiguang，WU Chengdong.Gait pattern estimation for intelligent bionic leg［C］／／Chinese Control and Decision Conference 2008.Yantai，China，2008：2216?2221.

［16］張葛祥，金煒東，胡來招.基于量子遺傳算法的特征選擇算法［J］.控制理論與應用，2005，22（5）：810?813.

ZHANG Gexiang，JIN Weidong，HU Laizhao.Feature se?lection algorithm based on quantum genetic algorithm［J］.Control Theory and Applications，2005，22（5）：810?813.

［17］FU Zhongguang，QI Minfang，JING Yuan.Regression fore?cast of main steam flow based on mean impact value and sup?port vector regression［C］／／Power and Energy Engineering Conference（APPEEC）.Shanghai，China，2012：27?29.

Gait recognition by the mean impact value and probability neural network

YUAN Na1，YANG Peng1，2，LIU Zuojun1，2
（1.School of Control Science and Engineering，Heibei University of Technology，Tianjin 300130，China；2.Engineering Research Center of Intelligent Rehabilitation and Detecting Technology，Ministry of Education，Tianjin 300130，China）

In order to effectively control the intelligent lower limb prosthesis，the key is to effectively identify the gaits of the lower limb，including walk，up and down stairs or slopes，etc.Firstly，extract characteristic values of different gaits，screen the values with the mean impact value，and identify six feature values in accordance with the characteristics of the knee amputees，including the maximum value of hip joint angle，mean value in Initial Stance，mean value in middle stance，standard deviation in middle stance，standard deviation in swing phase of hip（Mh，ISh，MSh，SWh，MSV，SWV）.Secondly，use the probabilistic neural network（PNN）to recognize them，which can accurately identify the five kinds of gaits in this experiment，and compare with BP neural network.The results show that the method，which uses the means of mean impact value to screen eigenvalues and recognizes gait by probabilistic neural network，has good recognition rate and recognition speed.The recognition rate which compared to BP neural network，increases by more than 10%，thereby verifying the effectiveness and feasibility of this methed.

intelligent artificial limb；gait recognition；mean impact value；probabilistic neural network；feature se?lection

10.3969／j.issn.1006?7043.201309042

http：／／www.cnki.net／kcms／doi／10.3969／j.issn.1006?7043.201309042.html

TP183

A

1006?7043（2015）02?0181?05

2013?09?11.網絡出版時間：2014?11?27.

國家自然科學基金資助項目（61174009）.

袁娜（1988?），女，碩士研究生；

楊鵬（1960?），男，教授，博士生導師.

楊鵬，E?mail：yphebut＠aliyun.com.